CN113010954A - 桥梁结构损伤识别方法、装置及终端设备 - Google Patents
桥梁结构损伤识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113010954A CN113010954A CN202110432432.XA CN202110432432A CN113010954A CN 113010954 A CN113010954 A CN 113010954A CN 202110432432 A CN202110432432 A CN 202110432432A CN 113010954 A CN113010954 A CN 113010954A
- Authority
- CN
- China
- Prior art keywords
- damage
- damage identification
- model
- bridge structure
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Abstract
本发明适用于结构损伤识别技术领域,提供了一种桥梁结构损伤识别方法、装置及终端设备,该方法包括:基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值;将实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值;根据输入参数优化值对目标桥梁结构进行损伤识别。本发明可以避免在优化的过程中,优化方法和有限元模型之间的相互调用迭代,减少模型修正时间和计算量,而且可以避免优化结果陷入局部极小值,提高结构损伤识别结果的准确性。
Description
技术领域
本发明属于结构损伤识别技术领域,尤其涉及一种桥梁结构损伤识别方法、装置及终端设备。
背景技术
结构损伤识别问题是一个测量信息不完备、难度和复杂度都很大、费时费力的问题。但是,准确及时的损伤识别对防止恶性事故的发生、提高结构的可靠性和耐久性具有重要的现实意义。
目前基于模型修正的损伤识别方法,一般需要通过理论值(计算值)、实测值之间的残差建立目标函数,通过优化方法和有限元模型之间相互调用迭代,以修改输入参数使目标函数最小。这种方法每一次优化均需要进行有限元模型的计算,模型修正时间长、计算量大、增加了结构损伤识别问题的复杂性,而且容易使优化结果陷入局部极小值而变得不可靠,识别结果的准确性无法保证。
发明内容
有鉴于此,本发明实施例提供了一种桥梁结构损伤识别方法、装置及终端设备,旨在解决现有技术中结构损伤识别方法耗时时间长、复杂度高以及准确性不够的问题。
为实现上述目的,本发明实施例的第一方面提供了一种桥梁结构损伤识别方法,包括:
基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值;
将所述实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于所述预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值;
根据所述输入参数优化值对所述目标桥梁结构进行损伤识别。
本发明实施例的第二方面提供了一种桥梁结构损伤识别装置,包括:
获取模块,用于基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值;
优化模块,用于将所述实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于所述预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值;
识别模块,用于根据所述输入参数优化值对所述目标桥梁结构进行损伤识别。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的桥梁结构损伤识别方法所述的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的桥梁结构损伤识别方法所述的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明通过基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值,将实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值,根据输入参数优化值对目标桥梁结构进行损伤识别,可以避免在优化的过程中,优化方法和有限元模型之间的相互调用迭代,减少模型修正时间和计算量,而且通过预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,也可以避免优化结果陷入局部极小值,提高结构损伤识别结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的桥梁结构损伤识别方法的实现流程示意图;
图2是本发明实施例提供的斜拉桥桥型布置图;
图3是本发明实施例提供的四阶多项式模型对输入参数的平均梯度图;
图4是本发明实施例提供的某斜拉桥环境激励下的振动竖向加速度信号的示意图;
图5是本发明实施例提供的桥梁结构损伤识别装置的示意图;
图6是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1为本发明实施例提供的桥梁结构损伤识别方法的实现流程示意图,详述如下:
步骤101,基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值。
其中,目标桥梁结构在环境激励下的响应信号,可以通过设置在目标桥梁上的多个测点的数据采集装置采集得到。
步骤102,将实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值。
本实施例中,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,而不是再构造损伤指标在有限元模型上进行指标的计算完成损伤识别。应用预设损伤识别诊断模型时,按设定的损伤工况进行预设损伤识别诊断模型计算,若选择的输入参数和响应参数合适,则在预设损伤识别诊断模型上进行优化也就是进行损伤识别。进而可以避免多次调用有限元模型导致的计算量大、识别时间长的问题,而且基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,也可以避免优化结果陷入局部极小值,提高结构损伤识别结果的准确性。
可选的,获得预设损伤识别诊断模型的过程可以包括:建立目标桥梁结构的基准有限元模型,基于目标桥梁结构预设的损伤工况、输入参数和响应参数进行试验设计,获得试验设计矩阵,将试验设计矩阵代入基准有限元模型进行计算,获得损伤样本数据,根据损伤样本数据分别对至少两个损伤识别诊断模型进行计算,并根据计算结果获得每个损伤识别诊断模型的精度,将精度最高的损伤识别诊断模型确定为预设损伤识别诊断模型。
其中,在获得预设损伤识别诊断模型需要注意:
(1)损伤识别诊断模型精度要足够高,这样才足以用损伤识别诊断模型代替有限元模型。
(2)设定损伤工况和试验设计时,输入参数和响应参数的选取要合适,优化时目标函数应该是响应参数,待优化参数应该是输入参数。
(3)损伤工况数量要达到结构预估损伤的各种状况。
本实施例中,建立目标桥梁结构的基准有限元模型,选取合适的输入参数和响应参数,在基准有限元模型上进行试验设计和计算;进行损伤识别诊断模型比选,使选取的损伤识别诊断模型精度足够高;构造多目标优化问题,利用损伤识别诊断模型进行优化计算,而不再调用有限元模型;以输入参数作为待优化参数,以响应参数作为目标函数,以实测响应参数值作为目标。若选取的输入参数和响应参数合适,优化结束也就意味着损伤识别完成。例如:按梁段设定损伤区域,选取材料弹性模量(或改变量、改变率)作为输入参数,选取模态频率或振型作为响应,优化结束后也就知道了各区域的材料弹性模量取值,也就相等于知道了损伤区域的位置和损伤程度,就完成了损伤识别。通过本实施例获得预设损伤识别诊断模型,可以避免在完成模型修正后再次调用有限元模型计算所构造的指标,减少模型修正时间和计算量,使损伤识别变得直接,也可以减少再次使用有限元模型计算指标造成的误差积累,提高结构损伤识别结果的准确性。
可选的,损伤工况可以按照指定部位、单或多损伤情况进行设定。
其中,指定部位是指希望识别损伤的部位。比如,斜拉桥结构是由主梁、桥塔、斜拉索等构件组成的。设定指定部位时既可以设置单个构件,也可以都设定。对于单个构件再进行区段的划分,可以设定0#块、1#块、……n#块等所有梁段,也可以设定某几个梁段,还可以再细分为具体的某些单元。总之,设定损伤部位就是设定那些预估或感兴趣的部位。
试验设计和损伤识别诊断模型间存在极大关系:试验设计的后处理目前通常采用二阶损伤识别诊断模型的方法,需要用损伤识别诊断模型来判断后处理的精度;同时,损伤识别诊断模型创建时需要对样本空间进行采样,试验设计可为损伤识别诊断模型进行规则化采样和提供备用的尽可能均匀的样本数据库。所谓试验设计是指按规划好的方案同时改变所有参数值进行一系列试验的方法。试验设计提供了合理而有效地获得信息数据的方法,其主要功能是在一定约束条件下,通过对参数的一系列改变来研究响应的变化规律。试验设计可有效的选择采样点来评估效应,可同时考虑参数间的交互效应和平均性效应,可较好的反应出响应对参数变化尤其是多参数变化的灵敏度。
因此,在计算损伤识别诊断模型前先进行试验设计。
常用的试验设计方法有全因子设计、中心复合设计、D-最优设计、最优拉丁超立方设计等,不同的方法构造不同的设计矩阵。本实施例采用最优拉丁超立方设计方法进行,该方法具有非常好的空间填充性和均衡性,使因子和响应的拟合更加精确真实,能使所有的试验点在设计空间尽量均匀的分布。
可选的,在基于目标桥梁结构预设的损伤工况、输入参数和响应参数进行试验设计,获得试验设计矩阵之前,还可以包括:
根据至少两个损伤识别诊断模型中初始化每个损伤识别诊断模型所需的最小样本点数,确定进行试验设计的试验设计次数和模型计算采样点数。
可选的,根据损伤样本数据分别对至少两个损伤识别诊断模型进行计算,可以包括:对损伤样本数据进行采样,采样点的数目与模型计算采样点数相同,获得采样数据;根据采样数据分别对至少两个损伤识别诊断模型进行计算。
本实施例中,损伤识别诊断模型是通过诊断模型逼近一组输入变量(独立变量)与输出变量(响应变量)的方法。该方法的引入加快了优化算法的寻优速度,推动了优化算法在工程领域中的应用。常用的损伤识别诊断模型有多项式模型、Chebyshev模型(正交多项式模型)、径向基(RBF)函数模型、Kriging模型(克里格模型)等。
示例性的,可以引入四阶多项式模型、Kriging模型、Chebyshev模型、RBF模型作为损伤识别诊断模型,根据损伤样本数据分别对四阶多项式模型、Kriging模型、Chebyshev模型、RBF模型进行计算,并根据计算结果获得每个损伤识别诊断模型的精度,将精度最高的损伤识别诊断模型确定为预设损伤识别诊断模型。
其中,多项式模型用来描述输入变量和输出响应之间的关系式为:
根据Weierstress多项式最佳逼近定理,任何类型的函数都可用多项式逼近。因此在实际问题中,总可用多项式回归进行分析、计算。本实施例采用四阶多项式模型:
初始化四阶多项式模型所需要的最小样本点数为(M+1)(M+2)/2+2M,M表示输入参数的个数,样本点数越多越精确。
其中,Kriging模型是以变异函数理论与结构分析为基础,在有限区域内对区域化变量进行无偏最优估计的一种方法。
式中,λi为待定的加权系数,Kriging损伤识别诊断模型的关键就是计算该系数。其必须满足两个条件:
(1)无偏估计
式中,γ(xi,xj)表示以xi和xj两点间的距离作为间距h时参数的半方差值;γ(xi,x0)表示以xi和x0两点之间的距离作为间距h时参数的半方差值。
初始化Kriging模型至少需要设计样本点数2M+1个,样本点数越多越精确。
其中,Chebyshev模型是在区间[-1,1]上逼近任意函数的一种重要工具,也被称作最大最小逼近函数,与其他函数相比可确保在插值区间内最大误差为最小。对于一维情况,可表示为
式中,cj为Chebyshev函数的展开系数,其中j=1,2,…,N。
当多项式的次数为N次时,Chebyshev函数为:
式中,ani为Chebyshev函数的系数。
当自变量范围为任意范围,即[a,b]时,可采取线性变换将其转化到[-1,1]范围,利用Chebyshev函数的正交性计算出其展开系数
式中,xk表示Chebyshev函数的插值基点。
初始化Chebyshev函数模型至少需要2d+1个样本点,d表示多项式拟合自由度。
其中,RBF函数是神经网络径向基的一种方法,使用神经网络模型的特点包括:
(1)具有较强的逼近复杂非线性函数的能力;
(2)具有极好的泛化能力,学习速度快;
(3)不用进行数学假设;
(4)很强的容错能力,样本中即使含有“噪声”,也不会影响网络的整体性能;
(5)其构造模型所需要的时间要比建立损伤识别诊断模型的时间长得多。
式中,||x-xj,||是欧几里德距离,||x-xj,||=(x-xj)T(x-xj);0.2≤c≤3。
RBF函数最少需要2N+1个采样点进行初始化。相比其他模型,其所需要采样点需要尽可能多。
可选的,每个损伤识别诊断模型的精度包括R2检验结果和相对均方根误差。根据计算结果获得每个损伤识别诊断模型的精度,可以包括:
其中,R2为损伤识别诊断模型的R2检验结果,RMS为损伤识别诊断模型的相对均方根误差,yrs(j)为采样数据中第j个样本点对应的损伤识别诊断模型的计算值,j为正整数,y(j)为第j个样本点的有限元计算结果,y为有限元计算结果平均值,K为样本点的数目。
本实施例中,为了确定损伤识别诊断模型的精度和质量,可通过方差分析方法(ANOVA)进行输入参数的显著性检验,从而进行参数的取舍。检验标准主要有:残差(Residual)的正态分布检验、残差(Residual)的均值、EISE检验、R2检验和相对均方根误差(Root Mean Square,RMS)等。
对于多响应问题,一般采用R2和RMS两种标准,便于各模型的精度在同一数量级上进行比较。其中,R2分析是判断损伤识别诊断模型与实际模型间误差的一个有用度量,用来衡量损伤识别诊断模型与样本点项符合的程度。当R2值越接近1,RMS值越接近0时,表明损伤识别诊断模型越精确。
可选的,获得预设多目标优化算法的过程可以包括:基于目标桥梁结构预设的损伤工况对至少两种多目标优化算法进行训练,获得每种多目标优化算法在全部工况收敛且达到最优值时的迭代次数,以及在相同迭代次数里,每种多目标优化算法的Pareto最优解数量。将迭代次数最少且Pareto最优解数量最多的多目标优化算法确定为预设多目标优化算法。
其中,获得较高精度的损伤识别诊断模型后,可以进行简单的损伤识别,但是对于复杂的结构形式和大型的样本库而言,需要借助较好的非线性多目标优化算法。
示例性的,多目标优化算法可以为第二代非劣排序遗传算法(Non-dominatedSorting Genetic Algorithm,NSGA-II)和多目标粒子群优化算法。
在NSGA-II中,作为交叉和突然变异的运算机制使用叫做SBX(Simulated Binarycrossover)的方法。
根据SBX方法生成子个体进行交叉运算:
根据SBX方法生成子个体进行突然变异运算:
粒子群优化算法(Particle Swarm Optimization,PSO)是一种有效的全局寻优算法,PSO基于群体智能理论,通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。其采用的演化计算原则是:从一组随机种群开始初始化;通过更新种群代搜索最优解;进化依赖于前面的种群。该方法可以避免复杂的遗传操作以及可以动态跟踪当前的搜索情况而相应调整搜索策略。每代种群中的解具有“自我”学习提高和向“他人”学习的双重优点,从而使该算法能在较少的迭代次数内找到最优解。
PSO算法采用粒子群在解空间中追随最优粒子进行搜索,而不再有遗传算法的交叉和变异操作。因此,相对遗传算法而言,PSO的优势在于简单容易实现,并且没有太多参数需要调整。
PSO算法的每个优化问题解都是搜索空间中的一只鸟,称为“粒子”。每个粒子都有自己的位置,第i个粒子位置表示为Xi=(xi1,xi2,…,xiD),飞行的速度表示为Vi=(vi1,vi2,…,viD)。同时每个粒子都有一个目标函数决定的适应值。在每一次粒子群迭代中,粒子需要找到个体和全局两个极值。所谓个体极值是指粒子本身所找到的最优解,其位置为Pi=(pi1,pi2,…,piD)。所谓全局极值是指群体所找到的最优解,其位置为Pg=(pg1,pg2,…,pgD)。找到这两个极值后,粒子的第d维(1≤d≤D)速度vid和位置xid根据如下方程组进行更新:
式中,w表示惯性权重;c1和c2表示速度调节参数,rand()和Rand()为在[0,1]范围里变化的两个随机值;项w×vid是“惯性”项,使粒子具有扩展搜索空间的趋势;项c1×rand()×(pid-xid)是“认知”项,指粒子本身对改进方向的思考;项c2×Rand()×(pgd-xid)是“社会”项,指粒子间的最优信息得到共享,该项使算法得到解的几率大大增加。
基于目标桥梁结构预设的损伤工况分别对NSGA-II和多目标粒子群优化算法进行优化训练,通过Pareto前沿和目标函数收敛曲线评价多目标优化算法的效率和优劣。并将迭代次数最少且Pareto最优解数量最多的多目标优化算法确定为预设多目标优化算法。
以下通过具体实施例,对上述确定预设损伤识别诊断模型和预设多目标优化算法的过程进行进一步说明。
对桥型布置如图2所示的,采用塔梁固结形式的上跨铁路的单塔双索面预应力混凝土斜拉桥进行损伤识别。首先建立如图2所示斜拉桥的基准有限元模型,然后设定其损伤工况、输入参数和响应参数。其中,基准有限元模型对应的响应参数计算值与基于斜拉桥在环境激励下的响应信号获得的响应参数对应的实测响应参数值对比如表1所示。
表1响应参数计算值与实测响应参数值对比
其中,设定斜拉桥的损伤工况、输入参数和响应参数时,以识别斜拉桥主梁区段的损伤为目标,采用降低单元弹性模量(相当于降低单元刚度)的方法创建输入参数。采用塔梁联接部位梁段、跨中和1/4跨梁段等易损部位的单元弹性模量等五个设计参数。为简化表述,主梁右1/4跨(右跨15#块区段)、主梁右跨中(右跨10#块区段)、塔梁联接处主梁(0#块区段)、主梁左1/4跨(左跨15#块区段)和主梁左跨中(左跨10#块区段)单元弹性模量分别用E1、E2、E3、E4和E5表示。这五个输入参数中,E1和E4、E2和E5所处部位对称。
对这五个部位设定10个损伤工况,分别用来研究单损伤、多损伤及相同部位不同损伤程度等十种情况。由表1可见,基准有限元模型对应的频率值与实测频率值偏差最大在3.41%。因此,从考虑工程的实际意义来说,损伤程度设定时应比该偏差要高。因此,设定的十种损伤工况可以为:
工况一:E1损失4%;
工况二:E1损失6%;
工况三:E1损失8%;
工况四:E1损失10%;
工况五:E1损失20%;
工况六:E1损失30%;
工况七:E2损失6%,E1损失10%;
工况八:E2损失12%,E1损失20%,E3损失10%;
工况九:E2损失6%,E1损失20%,E3损失10%,E4损失2%;
工况十:E2损失12%,E1损失20%,E3损失20%,E4损失4%,E5损失10%;
其中,工况一和工况六研究单损伤情况;工况七研究双损伤情况;工况八研究三损伤情况;工况九研究四损伤情况;工况十研究五损伤情况。
主梁采用C55混凝土,其设计弹性模量为3.55×104MPa。根据损伤工况及经验确定输入参数E1~E5取值范围,如表2所示。
表2输入参数取值范围(×104MPa)
响应参数选取斜拉桥前5阶频率,这也是后续优化识别中的目标参数,基于基准有限元模型,计算完好状态和上述十种不同损伤工况下对应的前5阶频率,见表3所示。
表3损伤前后斜拉桥频率
由表3可知,在十种损伤工况下,结构频率变化微小。
设定斜拉桥的损伤工况、输入参数和响应参数后,采用最优拉丁超立方设计方法进行试验设计,根据初始化每个损伤识别诊断模型所需的最小样本点数,确定进行试验设计的试验设计次数和模型计算采样点数。示例性的,四种损伤识别诊断模型:四阶多项式模型、Kriging模型、Chebyshev模型和RBF模型所需的最小样本点数如表4所示。
表4四种损伤识别诊断模型所需的最小样本点数
由表4,取试验设计次数为300次,模型计算采样点数为50个,按最优拉丁超立方设计方法获得试验设计矩阵,并将其数据依次代入基准有限元模型进行计算,得出每次试验的前五阶频率,存储试验设计矩阵及对应的前五阶频率作为损伤样本数据。根据损伤样本数据分别对四阶多项式模型、Kriging模型、Chebyshev模型和RBF模型进行计算,并计算每个损伤识别诊断模型的R2和RMS值,以检验每个损伤识别诊断模型的精度。其中,四阶多项式模型的R2指标接近1,RMS值接近0,即四阶多项式模型具有更高的精度和质量,因此,将四阶多项式模型确定为预设损伤识别诊断模型。
根据损伤样本数据,可以确定四阶多项式模型各阶频率对应系数。利用MATLAB软件可以计算出四阶多项式模型各输入参数对频率响应的平均梯度,根据四阶多项式模型的各阶频率平均梯度,可反映输入参数对各阶频率的影响程度。如图3所示,各阶频率中第3阶频率最灵敏,第5阶频率次之,之后是第1阶和第4阶,第2阶频率最不灵敏,也即竖向弯曲振动最灵敏,扭转振动最不灵敏;E3的变化对所有阶频率的影响最大,该位置对应塔梁联接处;对称位置处的E1和E4、E2和E5分别对各阶频率的影响作用是相同的。
确定预设损伤识别诊断模型后,可以采用至少两种多目标优化算法在预设损伤识别诊断模型上进行优化训练,确定预设多目标优化算法。由于预设损伤识别诊断模型为四阶多项式模型,输入参数为E1、E2、E3、E4和E5,响应参数为f1、f2、f3、f4和f5,属于五目标优化问题,且属于非线性优化,因此多目标优化算法采用标杆性多目标优化算法—NSGA-Ⅱ和全局优化算法—PSO算法。
利用设定的十种工况分别对NSGA-Ⅱ和PSO算法进行训练和确定优化参数,不同的优化算法需要调整的参数不同。这是因为优化算法均具有严重问题依赖性,需要针对具体问题进行优化参数的调整。
对于NSGA-Ⅱ,种群大小(Population Size)、遗传代数(Number ofGenerations)、交叉概率(Crossover Probability)、变异概率(Mutation Probability)等参数对算法性能的影响较大,需要针对具体问题进行调整。
对于PSO算法,最大代数(Number of Generations)、粒子数(Number ofGenerations)、惯性权重(Inertia)、速度调节参数c1和c2、粒子最大速度(MaximumVelocity)等参数对算法性能的影响较大,需要针对具体问题进行调整。经过训练可以确定最大代数为100,粒子数为40,惯性权重、速度调节参数均为0.9,粒子最大速度为变量范围的10%-20%,取0.0012。
基于NSGA-Ⅱ和PSO算法优化训练后可以发现,在相同的迭代次数里,PSO算法的Pareto最优解数量较少,说明PSO算法对该问题的成功率低于NSGA-Ⅱ算法。从该角度分析,对该损伤识别诊断模型问题NSGA-Ⅱ算法优于PSO算法。
根据NSGA-II优化训练时对应的目标函数收敛曲线,全部工况收敛且达到最优值是第27步,该步骤对应的迭代次数是3837次。根据PSO算法优化训练时对应的目标函数收敛曲线,全部工况收敛且达到最优值是第14步,该步骤对应的迭代次数是3716次。即全部工况收敛且达到最优值时,PSO算法迭代次数是3716次,NSGA-Ⅱ算法是3837次。从该角度分析,对该损伤识别诊断模型问题PSO法收敛速度略快,PSO算法略优于NSGA-Ⅱ算法。
在Pareto最优解集中找到输入参数误差最小的解作为最优结果,两算法的最优结果与实际值对比情况见表5所示。由表5可知,对于PSO算法,目标响应的最大误差为0.15%;NSGA-Ⅱ算法目标响应的最大误差为0.14%,和PSO算法相差不大,说明NSGA-Ⅱ算法的精度稍高于PSO算法。PSO算法输入参数的最大误差是5.00%,而且数量较多;NSGA-Ⅱ算法输入参数的最大误差是1%,低于PSO算法,说明NSGA-Ⅱ的预测精度大大高于PSO算法。
表5两种优化算法结果与实际值对比
经过以上三方面的比较,将预设多目标优化算法确定为NSGA-Ⅱ算法。
即对于目标桥梁结构为斜拉桥桥型的桥梁进行结构损伤识别时,预设损伤识别诊断模型可以为四阶多项式模型,预设多目标优化算法可以为PSO算法。
步骤103,根据输入参数优化值对目标桥梁结构进行损伤识别。
将实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,可以看作是多目标优化问题,获得优化后的理论响应参数值对应的输入参数优化值,即可知道目标桥梁结构的损伤情况,包括损伤位置和损伤程度等。
示例性的,采集某斜拉桥环境激励下的振动竖向加速度信号,如图4所示。然后,进行模态参数识别,获得前五阶模态频率,如表6所示。
表6某斜拉桥识别的前五阶频率(单位:Hz)
将表6的前五阶频率作为PSO算法的目标函数的目标值,基于PSO算法在四阶多项式模型上以理论响应频率作为目标变量进行优化计算,目标变量优化值如表7所示。
表7目标变量优化结果
由表7可见,目标变量优化值与实际值的最大误差为0.10%,满足要求。
输入变量优化结果即是各梁段预测的混凝土弹性模量,损伤率βi为:
式中,Ei表示完好状态下(损伤前)第i个主梁区段混凝土的弹性模量;Ei′表示预测的第i个主梁区段混凝土的弹性模量。损伤识别结果如表8所示。
表8损伤识别结果
由表8可知,识别的最大损伤率为0.98%,低于1%(NSGA-Ⅱ在四阶多项式模型的预测精度),因此,得出此斜拉桥工程尚未产生损伤。
若识别的最大损伤率高于1%,可判定为已经产生损伤。在扣掉预测精度后,可根据输入变量的优化结果判定损伤位置和损伤程度。
上述桥梁结构损伤识别方法,通过基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值,将实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值,根据输入参数优化值对目标桥梁结构进行损伤识别,可以避免在优化的过程中,优化方法和有限元模型之间的相互调用迭代,减少模型修正时间和计算量,而且通过预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,也可以避免优化结果陷入局部极小值,提高结构损伤识别结果的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
对应于上文实施例所述的桥梁结构损伤识别方法,图5示出了本发明实施例提供的桥梁结构损伤识别装置的示例图。如图5所示,该装置可以包括:获取模块51、优化模块52和识别模块53。
获取模块51,用于基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值;
优化模块52,用于将所述实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于所述预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值;
识别模块53,用于根据所述输入参数优化值对所述目标桥梁结构进行损伤识别。
可选的,所述桥梁结构损伤识别装置,还包括预设损伤识别诊断模型获取模块54;
所述预设损伤识别诊断模型获取模块54,用于建立所述目标桥梁结构的基准有限元模型;
基于所述目标桥梁结构预设的损伤工况、输入参数和响应参数进行试验设计,获得试验设计矩阵;
将所述试验设计矩阵代入所述基准有限元模型进行计算,获得损伤样本数据;
根据所述损伤样本数据分别对至少两个损伤识别诊断模型进行计算,并根据计算结果获得每个损伤识别诊断模型的精度;
将精度最高的损伤识别诊断模型确定为所述预设损伤识别诊断模型。
可选的,预设损伤识别诊断模型获取模块54,还可以用于根据至少两个损伤识别诊断模型中初始化每个损伤识别诊断模型所需的最小样本点数,确定进行所述试验设计的试验设计次数和模型计算采样点数。
可选的,预设损伤识别诊断模型获取模块54,可以用于对所述损伤样本数据进行采样,采样点的数目与所述模型计算采样点数相同,获得采样数据;根据所述采样数据分别对至少两个损伤识别诊断模型进行计算。
可选的,每个损伤识别诊断模型的精度包括R2检验结果和相对均方根误差;
所述根据计算结果获得每个损伤识别诊断模型的精度,包括:
其中,R2为损伤识别诊断模型的R2检验结果,RMS为损伤识别诊断模型的相对均方根误差,yrs(j)为所述采样数据中第j个样本点对应的损伤识别诊断模型的计算值,j为正整数,y(j)为第j个样本点的有限元计算结果,y为有限元计算结果平均值,K为样本点的数目。
可选的,所述桥梁结构损伤识别装置,还包括预设多目标优化算法获取模块55;
所述预设多目标优化算法获取模块55,用于基于所述目标桥梁结构预设的损伤工况对至少两种多目标优化算法进行训练,获得每种多目标优化算法在全部工况收敛且达到最优值时的迭代次数,以及在相同迭代次数里,每种多目标优化算法的Pareto最优解数量;
将所述迭代次数最少且所述Pareto最优解数量最多的多目标优化算法确定为预设多目标优化算法。
上述桥梁结构损伤识别装置,通过基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值,将实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值,根据输入参数优化值对目标桥梁结构进行损伤识别,可以避免在优化的过程中,优化方法和有限元模型之间的相互调用迭代,减少模型修正时间和计算量,而且通过预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,也可以避免优化结果陷入局部极小值,提高结构损伤识别结果的准确性。
图6是本发明一实施例提供的终端设备的示意图。如图6所示,该实施例的终端设备600包括:处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603,例如桥梁结构损伤识别程序。所述处理器601执行所述计算机程序603时实现上述桥梁结构损伤识别方法实施例中的步骤,例如图1所示的步骤101至103,所述处理器601执行所述计算机程序603时实现上述各装置实施例中各模块的功能,例如图5所示模块51至53的功能。
示例性的,所述计算机程序603可以被分割成一个或多个程序模块,所述一个或者多个程序模块被存储在所述存储器602中,并由所述处理器601执行,以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述桥梁结构损伤识别装置或者终端设备600中的执行过程。例如,所述计算机程序603可以被分割成获取模块51、优化模块52和识别模块53,各模块具体功能如图5所示,在此不再一一赘述。
所述终端设备600可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器601、存储器602。本领域技术人员可以理解,图600仅仅是终端设备600的示例,并不构成对终端设备600的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器601可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述终端设备600的内部存储单元,例如终端设备600的硬盘或内存。所述存储器602也可以是所述终端设备600的外部存储设备,例如所述终端设备600上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括所述终端设备600的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序以及所述终端设备600所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种桥梁结构损伤识别方法,其特征在于,包括:
基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值;
将所述实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于所述预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值;
根据所述输入参数优化值对所述目标桥梁结构进行损伤识别。
2.如权利要求1所述的桥梁结构损伤识别方法,其特征在于,获得所述预设损伤识别诊断模型的过程包括:
建立所述目标桥梁结构的基准有限元模型;
基于所述目标桥梁结构预设的损伤工况、输入参数和响应参数进行试验设计,获得试验设计矩阵;
将所述试验设计矩阵代入所述基准有限元模型进行计算,获得损伤样本数据;
根据所述损伤样本数据分别对至少两个损伤识别诊断模型进行计算,并根据计算结果获得每个损伤识别诊断模型的精度;
将精度最高的损伤识别诊断模型确定为所述预设损伤识别诊断模型。
3.如权利要求2所述的桥梁结构损伤识别方法,其特征在于,在基于所述目标桥梁结构预设的损伤工况、输入参数和响应参数进行试验设计,获得试验设计矩阵之前,还包括:
根据至少两个损伤识别诊断模型中初始化每个损伤识别诊断模型所需的最小样本点数,确定进行所述试验设计的试验设计次数和模型计算采样点数。
4.如权利要求3所述的桥梁结构损伤识别方法,其特征在于,所述根据所述损伤样本数据分别对至少两个损伤识别诊断模型进行计算,包括:
对所述损伤样本数据进行采样,采样点的数目与所述模型计算采样点数相同,获得采样数据;
根据所述采样数据分别对至少两个损伤识别诊断模型进行计算。
6.如权利要求5所述的桥梁结构损伤识别方法,其特征在于,获得所述预设多目标优化算法的过程包括:
基于所述目标桥梁结构预设的损伤工况对至少两种多目标优化算法进行训练,获得每种多目标优化算法在全部工况收敛且达到最优值时的迭代次数,以及在相同迭代次数里,每种多目标优化算法的Pareto最优解数量;
将所述迭代次数最少且所述Pareto最优解数量最多的多目标优化算法确定为预设多目标优化算法。
7.一种桥梁结构损伤识别装置,其特征在于,包括:
获取模块,用于基于目标桥梁结构在环境激励下的响应信号,获得实测响应参数值;
优化模块,用于将所述实测响应参数值作为预设多目标优化算法的目标函数的目标值,基于所述预设多目标优化算法在预设损伤识别诊断模型上对理论响应参数值进行优化,获得优化后的理论响应参数值对应的输入参数优化值;
识别模块,用于根据所述输入参数优化值对所述目标桥梁结构进行损伤识别。
8.如权利要求7所述的桥梁结构损伤识别装置,其特征在于,还包括:预设损伤识别诊断模型获取模块;
所述预设损伤识别诊断模型获取模块,用于建立所述目标桥梁结构的基准有限元模型;
基于所述目标桥梁结构预设的损伤工况、输入参数和响应参数进行试验设计,获得试验设计矩阵;
将所述试验设计矩阵代入所述基准有限元模型进行计算,获得损伤样本数据;
根据所述损伤样本数据分别对至少两个损伤识别诊断模型进行计算,并根据计算结果获得每个损伤识别诊断模型的精度;
将精度最高的损伤识别诊断模型确定为所述预设损伤识别诊断模型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432432.XA CN113010954A (zh) | 2021-04-21 | 2021-04-21 | 桥梁结构损伤识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432432.XA CN113010954A (zh) | 2021-04-21 | 2021-04-21 | 桥梁结构损伤识别方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113010954A true CN113010954A (zh) | 2021-06-22 |
Family
ID=76388945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110432432.XA Pending CN113010954A (zh) | 2021-04-21 | 2021-04-21 | 桥梁结构损伤识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113010954A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113587959A (zh) * | 2021-07-28 | 2021-11-02 | 河北地质大学 | 一种地下管道损伤检测方法、装置及终端 |
CN116562331A (zh) * | 2023-05-19 | 2023-08-08 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200004A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种优化的基于神经网络的桥梁损伤识别方法 |
CN109992849A (zh) * | 2019-03-14 | 2019-07-09 | 广州大学 | 基于果蝇优化算法的结构损伤识别方法及装置 |
-
2021
- 2021-04-21 CN CN202110432432.XA patent/CN113010954A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200004A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种优化的基于神经网络的桥梁损伤识别方法 |
CN109992849A (zh) * | 2019-03-14 | 2019-07-09 | 广州大学 | 基于果蝇优化算法的结构损伤识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
刘杰: "斜拉桥健康监测软件平台与关键计算方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
刘杰等: "斜拉桥损伤可识别性传感器的优化布置方法", 《西南交通大学学报》 * |
刘杰等: "斜拉桥损伤识别响应面模型与优化算法研究", 《铁道建筑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113587959A (zh) * | 2021-07-28 | 2021-11-02 | 河北地质大学 | 一种地下管道损伤检测方法、装置及终端 |
CN116562331A (zh) * | 2023-05-19 | 2023-08-08 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
CN116562331B (zh) * | 2023-05-19 | 2023-11-21 | 石家庄铁道大学 | 一种改进爬行动物搜索算法优化svm的方法及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20100058257A1 (en) | Topology optimization method using equivalent static loads | |
CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
CN113010954A (zh) | 桥梁结构损伤识别方法、装置及终端设备 | |
CN108563895B (zh) | 一种用于齿轮装配体的考虑相关性的区间模型修正方法 | |
CN108632764B (zh) | 一种多传感器选择性量测数据融合估计方法 | |
CN109544926B (zh) | 一种基于路口相关性的交通流量修复方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
KR20230064389A (ko) | 예측구간에 기반한 제조공정 파라미터의 구간 최적화 방법 및 시스템 | |
CN116933152A (zh) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 | |
Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
CN116957136A (zh) | 一种基于时序深度学习的路面性能预测方法及装置 | |
CN113807721B (zh) | 一种基于相近和相似机理的装备作战效能评估方法 | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
CN115659165A (zh) | 园区负荷数据样本的构建方法、装置、设备及存储介质 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114331349A (zh) | 一种基于物联网技术的科研项目管理方法及系统 | |
CN112818455A (zh) | 一种桥梁结构响应监测方法及系统 | |
CN111563767A (zh) | 股票价格预测方法及装置 | |
Yetki et al. | Optimal design of deformation monitoring networks using PSO algorithm | |
CN111210877A (zh) | 一种推断物性参数的方法及装置 | |
CN113408040B (zh) | 一种土木工程中的模拟数据修正方法及系统 | |
CN113836734B (zh) | 一种基于虚拟理想解的装备作战效能评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |
|
RJ01 | Rejection of invention patent application after publication |